[发明专利]一种基于局部和全局特征融合的掌纹识别方法

权利要求书

1.一种基于局部和全局特征融合的掌纹识别方法，其特征在于：具体包括以下步骤：

步骤1：采用二维Gabor相位编码，提取掌纹的纹理特征，采用改进的有限Radon变换，即MFRAT，提取掌纹的主线特征，采用双向主成分分析法，即BDPAC，提取掌纹的整体特征；

步骤2：对提取掌纹的纹理特征使用Hamming距离进行分类选取，得到纹理选取特征；对提取掌纹的主线特征使用点对区域的双向匹配进行分类选取，得到主线选取特征；对提取掌纹的整体特征使用最小欧氏距离算法进行分类选取，得到整体选取特征，具体按照下述步骤进行：

步骤2.1：对提取掌纹的纹理特征使用Hamming距离进行分类选取，具体方法为：

Hamming距离用来衡量两幅图像纹理特征的相似度，用于掌纹纹理特征的分类，

设P和Q为两个纹理特征向量，归一化的Hamming距离为：

公式(13)中，P_R(Q_R)和P_I(Q_I)为纹理特征P(Q)的实部和虚部，为布尔运算符，N×N为纹理特征向量尺寸，i,j为图像中某个点的像素坐标值，

为了更好的匹配，在水平和垂直方向移动其中一个特征再次匹配，移动像素范围为-2到2，然后找出最小的Hamming距离，作为P和Q的相似度；

步骤2.2：对提取掌纹的主线特征使用点对区域的双向匹配进行分类选取，算法原理如下：

对于掌纹主线特征，使用点对区域的双向匹配算法对其分类，算法原理如下：

假定A是测试的主线特征图像，B是训练的主线特征图像，A、B大小为m×n，并且A、B为二值图像，主线的像素值为1，则图像A到图像B的匹配分数如下：

公式(14)中，N_A为图像A中主线的像素个数，是B(i,j)的3×3邻域，

同理，图像B到图像A的匹配分数为：

最后，图像A与图像B的匹配分数满足：

S(A，B)＝S(B，A)＝MAX(s(A，B)，s(B，A)) (16)

公式(16)中，S(A,B)处于0和1之间，S(A,B)越大，图像A与图像B越相似，将S(A,B)的范围放大-0.1到0.1，找出多个相似的图像；

步骤2.3：对提取掌纹的整体特征使用最小欧氏距离算法进行分类选取，具体方法为：

设图像A的特征向量Y₁＝{y₁,y₂,...,y_n}，图像B的特征向量Y₂＝{y′₁,y′₂,...,y′_n}，其中n为特征向量维数，则欧氏距离定义为：

公式(17)中，d(Y₁,Y₂)距离越小，图像A与图像B越相似，将d(Y₁,Y₂)的范围放大-0.1到0.1，找出多个相似的图像；

步骤3：对纹理选取特征、主线选取特征和整体选取特征使用K近邻分类器方法，得到的与待识别样本S的k个近邻的分类结果，将分类结果采取Borda投票策略决策融合规则进行信息融合，从而实现掌纹多特征的融合识别，具体包括下述步骤：

K近邻分类器方法为，取待识别样本S的k个近邻，看这k个近邻中多数属于哪一类，就把待识别样本S归为哪一类；

即在掌纹训练库的N个样本中，设这N个样本中，找出待识别样本S的来自Hamming距离ω₁分类的近邻样本有M₁个，找出待识别样本S的来自点对区域的双向匹配ω₂分类的近邻样本有M₂个，找出待识别样本S的来自点欧氏距离ω₃分类的近邻样本有M₃个；

Borda投票策略的基本思想是：每个投票者对不同的候选者采用模式分类技术进行评价打分并排序，然后计算所有投票者的Borda数，具有Borda数最大的候选者可以被认为在经过分类器评价后，在竞争中是最优而获胜；

Borda投票策略具体为：

1)由于Hamming距离分类、点对区域的双向匹配分类和最小欧氏距离算法分类这三种分类器匹配的属性各不相同，所以需要对各分类器得到的距离进行归一化，具体如下：假设共有K个分类器，每个分类器对应有M个图像，则第k分类器对M个图像评分的排序结果C^k(f)为：

公式(18)中：1≤m≤M,1≤k≤K，f是候选图像m的出现在多个分类器中的频率，是第k分类器对候选图像m评分，为k分类器中对所有候选图像的最大评分；

2)Borda投票策略没有考虑在实际分类器中之间性能的差别，采用加权方式区分不同分类器的分类能力，则对图像m计算得到的Borda数B_m为：

公式(19)中，c为惩罚因子，如果候选图像m的Borda数B_m最大，那么候选图像m可以被认为在经过K个分类器评价后，是最优而被确认为识别结果。

2.根据权利要求1所述的一种基于局部和全局特征融合的掌纹识别方法，其特征在于：

步骤1包括以下步骤：

步骤1.1：采用二维Gabor相位编码，提取掌纹的纹理特征的具体方法为：

二维离散Gabor滤波器的原形为：

将Gabor核函数去掉直流分量，由此得到一个改进的Gabor函数：

公式(1)、(2)中，(x,y)为给点位置的图像坐标值，i是虚数符号，μ是正弦波的频率，θ用来控制函数的方向，σ是标准方差，2_n+1是滤波器的模板宽度；

对用公式(2)处理后的掌纹子图像I进行相位编码，形成两位码字(b_r,b_i)，得到实部和虚部的二值图像，这样在掌纹的特征向量中仅保存有相位信息，编码规则为：

步骤1.2：采用MFRAT提取掌纹的主线特征，具体方法为：

给定网格Z_p＝{0,1,...,p-1}，这里p为正整数，则MFRAT的实函数f[i,j]在有限的网格上定义为：

公式(5)中，k＝1,2,...,N，N为方向个数，C为一个控制r[L_k]范围的常量，L_k表示在网格上组成直线的点，i,j为图像中某个点的像素坐标值，公式为：

L_k＝{(i,j):j＝k(i-i₀)+j₀,i∈Z_p} (6)

公式(6)中，(i₀,j₀)是网格的中心点，k是直线L_k的斜率；

在MFRAT中，网格的中心点f(i₀,j₀)的方向θ_k和能量e的计算公式如下：

公式(7)中，arg是角度运算，θ_k为对应于斜率k的角度；

设大小为m×n的图像I，由公式(7)得到的一幅图像所有像素点的方向图像Direction_image和能量图像Energy_image表示为：

由公式(8)确定阈值T；

阈值T的确定方法为：先将能量图像Energy_image从大到小排序，然后取第M个能量值作为阈值T；

通过阈值T，将能量图像Energy_image转化为二值图像，叫做线图像，记作Line_image，通过公式(9)选择获得：

Line_image＝0若Energy_image＜T (9)

Line_image＝1若Energy_image≥T

此时，线图像Line_image中已包含了主线，但同时也包含一些较强的皱纹线，可以通过方向准则进一步去掉这些皱纹线；

最后，对掌纹主线图像进行贴标签处理，去除很短的直线，获得只含有三大主线的图像；

步骤1.3：基于BDPAC提取掌纹的整体特征，具体方法为：

BDPCA是基于图像矩阵的主成分分析法，具体方法如下：

设掌纹感兴趣区域训练样本图像有M个m×n维的图像样本I₁,I₂,…,I_M，第j个训练样本图像的图像样本矩阵I_j可以用n个m×1的列向量来进行表示，组成训练样本集，可计算出去行相关性的列方向上总的散度矩阵为：

同样，可以将第j个训练样本图像的图像样本矩阵I_j用m个1×n的行向量来进行表示，组成训练样本集，可计算出去列相关性的行方向上总的散度矩阵为：

公式(10)、(11)中，为训练样本图像总体的均值矩阵，

选取矩阵G_r的前d₁个最大特征值相对应的特征向量u_i组成m×d₁的矩阵，就是列映射矩阵U，其中d₁≤M，i＝1,2,...d₁，u_i表示与G_r的第i个最大特征值对应的特征向量；

选取G_c的前d₂个最大特征值相对应的特征向量v_i组成n×d₂的矩阵，就是行映射矩阵V，其中d₂≤M，i＝1,2,...d₂；

因此，图像矩阵I的大小为d₁×d₂维特征矩阵F_j为：

F_j＝U^TIV (12)。